金融政策与市场动态分析论文

摘要：以农村金融发展水平为研究对象，并以我国30个省（市、区）2008—2015年的面板数据考察政府推动和市场竞争分别在不同城镇化率和人均收入水平下对农村金融发展的影响。结果表明，在城镇化率和人均收入不高的区域，政府推动效果显著，而市场竞争在城镇化率较高、经济发达地区作用更有效。以下是小编精心整理的《金融政策与市场动态分析论文 (精选3篇)》，希望对大家有所帮助。

金融政策与市场动态分析论文 篇1：

橡胶期货价格和交易量持仓量的相关性分析

摘要：目前期货价格波动与成交量和持仓量之间的关系成为期货市场上研究的热点。本文立足于研究橡胶期货的量价关系, 利用近三年大连期货交易所橡胶期货合约每天的收盘价、成交量和持仓量等数据,使用了单位根检验、协整检验、格兰杰因果检验等方法,对大连期货交易所橡胶期货价格波动与成交量、持仓量的关系进行实证研究。通过模型分析得出我国橡胶期货收盘价、成交量和持仓量具有长期稳定的均衡关系,经格兰杰因果关系检验，得出橡胶期货的收盘价变化是持仓量变化的格兰杰原因，持仓量变化是成交量变化的格兰杰原因,成交量变化又是收盘价变化的格兰杰原因。

关键词：橡胶期货 ADF检验 协整检验 Granger因果关系检验

1、引言

国际原油价格的波动给国内期货市场带来较大的冲击影响,从而给国民经济的健康稳健运行带来一定的风险。如何规避原油价格波动风险, 确保国内期货市场的健康运行显得极为迫切。目前国内外学术界对我国期货市场量价关系方面的研究并不多,而期货市场期货价格与交易量和持仓量之间的关系能够反映出期货市场的某些运行特征,因此对于期货产品量价关系的研究具有一定的理论意义和现实意义。

国内外已学者对主要期货商品量价关系的研究主要有：Granger等利用周数据,采用谱分析方法对美国证券交易综合价格指数和纽约证券交易所的累计交易量之间的关系进行了实证研究,发现价格指数与交易量之间没有必然的联系;Bigman等指出对商品价格波动与交易量、持仓量之间关系的研究有助于了解市场的结构,以及市场价格如何对信息做出反映。我国期货市场作为一个新兴市场,对其理论研究相对来说比较缺乏，华仁海等运用模型对我国期货市场中期货价格收益、交易量、波动性之间的关系进行了动态分析;华仁海、仲伟俊还对我国期货市场期货价格波动与成交量和空盘量动态关系进行了实证研究;沈杰利用相关分析、GARCH(1,1)模型对上海期货交易所期铝的量价之间的相关关系进行了实证分析,证明铝期货的量价之间呈正相关关系。

本文将在上述研究的基础上,搜集近三年时间大连期货交易所橡胶期货的价格、交易量、持仓量数据,通过使用时间序列的单位根检验、协整检验、格兰杰因果检验等一系列的检验方法。研究橡胶期货价格、交易量、持仓量之间的动态关系,从而揭示我国期货市场的一些内在运行规律。

2、实证方法介绍

2.1数据的平稳性检验

如果两个非平稳时间序列即使不相关也能得到显著的相关系数，那么就会出现伪回归现象。因此首先要对序列进行平稳性检验，通常采用ADF检验方法，对时间序列Xt建立如下模型：

△Xt=α+βt+γXt-1+■θi△Xt-i+εt

其中，α为常数，t为趋势项，p为最优滞后阶数，εt为随机误差项。ADF检验有3种形式：有截距项并且有时间趋势项(α≠0，β≠0)、有截距项(α≠0，β=0)、没有截距项和时间趋势项(α=0，β=0)。对于给出的临界值，若ADF检验值小于临界值，则该时间序列平稳，反之，对时间序列进行差分，直至该序列平稳。

2.2协整分析

协整概念的提出对于建立经济计量模型, 以及检验这些变量之间的长期均衡关系非常重要,它揭示了一种长期稳定的均衡关系。其经济意义在于：如果两个变量协整，虽然它们具有各自的长期波动规律，但它们之间存在着一个长期稳定的比例关系。

常用的检验方法是E-G两步法和Johansen的多变量协整检验法。协整检验最经典的方法是Engel-Granger两步法, 但它通常只能检验两个变量之间的协整关系, 对于多个变量的检测则不太方便。Johansen和Uselius提出了一种在向量自回归(VAR)系统下用极大似然估计来检验协整关系的方法, 通常称为Johansen检验, 它能检验多个变量,同时求出它们之间的若干种协整关系。

2.3格兰杰(Granger)因果关系检验

Granger因果关系检验是检验一个变量的滞后变量是否可以引入到其他变量方程中。如果加入自变量的滞后项有助于预测因变量,或者说因变量滞后变量的回归系数具有统计显著性,则认为该自变量对因变量具有格兰杰因果关系。

两变量的回归模型：

Yt=■αiXt-i+■=βiYt-i+μt(1)

Xt=■λiYt-i+■=δiYt-i+νt(2)

Granger因果关系检验是通过受约束的F检验完成的。如假设X不是Y的格兰杰原因，即假设(1)式中X滞后项前的参数整体为零，分别做包含与不包含X滞后项的回归，记前者的残差平方和为RSSU，后者的残差平方和为RSSR。

计算统计量：

F=■～F(m，n-k)

式中n为样本容量，m为X的滞后项的个数，k为包含可能存在的常数项及其他变量在内的无约束回归模型的带估计的参数。

在给定的显著性水平α下，如果有F>Fα，则拒绝原假设，认为X是引起Y的格兰杰原因。

3、橡胶期货市场价关系的实证分析

3.1数据来源及处理

每个交易日所产生的价格数据包括开盘价、最高价、最低价和收盘价,已有实证研究表明,收盘价数据能够最好地描述市场的交易行为和特征,因此本文选择每日的收盘价数据作为期货价格数据的基础,选取大连期货交易所橡胶期货合约每日收盘价、交易量与持仓量数据,时间跨度是从2008年5月5日至2011年7月22日，共785个原始数据，数据来源于交易开拓者软件。

3.2实证分析

3.2.1序列的平稳性检验

许多的时间序列分析方法也要求时间序列是平稳的,因此需要对相对变动序列的平稳性进行检验。本文运用ADF单位根检验法对序列LNP、LNV和LNO(对原始序列取对数)的平稳性进行检验，操作运用Eviews6.0软件，检验结果如表所示：

根据ADF检验的评判规则,若ADF检验值小于显著性水平为5%时的临界值,就可以认为该时间序列不存在单位根,即时间时序是平稳的。从由表1的检验结果中发现,LNV和LNO序列的ADF检验统计量均小于显著性水平5%时的临界值，即LNV和LNO序列平稳，而LNP序列的ADF检验统计量-0.403568大于显著性水平5%时的临界值-2.865012，不存在单位根，所以LNP序列不平稳。对序列进行一阶差分，检验结果见表2。

从三个序列一阶差分后的ADF检验结果来看，DLNP、DLNV和DLNO的ADF检验统计量均小于显著性水平5%时的临界值,即认为橡胶期货收盘价、成交量和持仓量的一阶差分序列都不存在单位根,是平稳的时间序列。

3.2.2协整检验

由于本文采用三个变量，所以使用Johansen检验法。对三个序列进行协整检验,结果如表3所示。

注：“*”表明在5%的显著性水平下拒绝原假设。

在表中, 第一行检验是否不存在协整关系,也就是说,原假设是“三个变量之间不存在长期均衡关系”。这个假设在5%的显著性水平下已被拒绝,说明LNP、LNV和LNO之间是存在着长期稳定的协整关系的。

3.2.3格兰杰因果关系检验

经检验橡胶期货收盘价、成交量和持仓量的一阶差分序列都不存在单位根,是平稳的时间序列。然后运用Eviews6.0对LNP、LNV和LNO进行Granger因果关系检验，结果见下表：

由表中的概率值可知,原假设LNP变化不是LNO变化的格兰杰原因成立的概率为0.0488, 在5%显著性水平下可以拒绝原假设，即认为LNP变化是LNO变化的格兰杰原因。由此类推,也可认为LNO变化是LNV变化的格兰杰原因,LNV变化是LNP变化的格兰杰原因。

4、结论和建议

(一)本文可以得出以下几点结论：

① 大连期货交易所橡胶期货合约的成交量、持仓量和其收盘价的相对变动序列之间存在动态的协整关系，也就是具有长期稳定的均衡关系;

② 通过格兰杰因果关系检验，得出橡胶期货的收盘价变化是持仓量变化的格兰杰原因，持仓量变化是成交量变化的格兰杰原因,成交量变化又是收盘价变化的格兰杰原因。

(二)对我国橡胶期货期货市场发展的一些建议

① 培育和发展橡胶期货市场的投资主体,扩大市场交易规模。

由于期货合约收盘价会受到成交量、持仓量因素的影响, 因此应该采取措施扩大市场的交易规模，避免少数人操纵市场, 减少过度投机和市场非正常的剧烈波动，促进我国期货市场的正常发展。

②培养机构投资者和投资基金,为橡胶期货市场引入理性投资力量。

国际成熟市场的经验表明,机构投资者和基金是最为理性的市场参与者,橡胶期货市场以及整个中国期货市场应该和股票市场一样, 大力发展机构投资者,建立期货基金,同时允许保险、证券等金融机构进人，这样会给期货市场带来规范和理性的投资理念。

③ 加强对橡胶期货市场的风险控制和管理。

通过多层次的风险控制和管理,可以有效地降低市场风险,保证期货市场安全、稳健、快速地发展。中国期货业协会应根据橡胶期货市场的波动性机理,制定更有效的金融政策与风险控制措施;交易所应根据市场的波动情况,适时调整修改期货交易制度,包括调整保证金水平、持仓限额、涨跌幅限制和风险准备金比例等;期货经纪公司同样也可据此评估客户的风险、收取合理的保证金、调整客户的持仓限额等。

④ 加强对橡胶期货市场的引导。

普通投资者由于知识的局限性,期货中介机构作为专业性分析机构,有义务宣传健康、理性的投资理念。期货市场监管部门应加强对期货中介机构的监督与管理,要求期货中介机构根据市场情况,对期货品种做出客观、公正的投资价值分析,从而引导投资者树立正确的投资理念。

(三)有待进一步研究的地方

由于我国期货市场还很不成熟,结构特征变化较快,而且受政策影响明显,使得有关期市波动性的考察结论不仅受使用统计方法的影响,还取决于所用样本。由于时间的有限以及笔者理论水平的限制,在样本选取方面,如果使用样本范围更长或日内高频数据进行验证,或者对其他期货品种本文所得到的结论是否成立,还有待进一步的验证。

参考文献：

[1]Bigman D.Goldfarb D.and Schetchman E.Future Market Effect in S&P 500 Index Futures[J].Journal of Business Finance&Accounting,1994,(21)

[2]华仁海,仲伟俊. 对上海期货交易所金属铜量价关系的实证分析[J].统计研究2002,(8)

[3]华仁海,仲伟俊.我国期货市场期货价格收益、交易量、波动性关系的动态分析[J].统计研究,2003,(7)

[4]沈杰. 对上海期货交易所金属铝量价关系的实证分析[J].时代金融,2008,(4)

[5]张世英,樊智. 协整理论与波动模型：金融时间序列分析及应用[M]. 清华大学出版社,2005

[6]高铁梅. 计量经济分析方法与建模:Eviews应用及实例[M].清华大学出版社,2006

[7]易丹辉. 数据分析与Eviews应用[M].中国人民大学出版社,2008

(作者单位：湖南工业大学管理科学与工程研究所)

作者：翟光磊

金融政策与市场动态分析论文 篇2：

政府推动、市场竞争与普惠金融发展

摘要：以农村金融发展水平为研究对象，并以我国30个省(市、区)2008—2015年的面板数据考察政府推动和市场竞争分别在不同城镇化率和人均收入水平下对农村金融发展的影响。结果表明，在城镇化率和人均收入不高的区域，政府推动效果显著，而市场竞争在城镇化率较高、经济发达地区作用更有效。在此基础上对我国的地方经济按照城镇化率和人均可支配收入进行分组，进一步验证结论，政府推动金融发展对城镇化率较低的区域作用较明显，市场竞争的增加则有负向效果。最后提出要重视我国农村地区金融发展差异，鼓励采取不同力度、不同导向的扶持政策建议，从而促进普惠金融的发展。

关键词：普惠金融;农村金融;政府推动;市场竞争;区域差异

作者简介：左月华(1971—)，女，广西桂林人，博士，副教授，主要从事公司金融与农村金融研究。E-mail：glzuo@hust.edu.cn。

中国银行监督管理委员会于2006年发布《关于调整放宽农村地区银行业金融机构準入政策更好支持社会主义新农村建设的若干意见》，提出“适度调整和放宽农村地区银行业金融机构准入政策，降低准入门槛，强化监管约束，加大政策支持”，该政策体现了我国政府对农村金融发展的积极推动，也指出发展农村金融的2种途径，即政府推动和市场竞争。我国近年来的农村金融发展出现明显的差异，中西部地区政府倾向于采用政府推动的方式，以河南省为例，帮扶成立农村资金互助社，大力开展扶贫试点等有利于发展普惠金融的政府推动举措。而东部地区则选择以市场竞争为主导的农村金融创新发展模式，以浙江省为例，其不断增加市场竞争持续推进金融改革试点，是我国新型农村金融机构成立最多的省份。那么政府推动和市场竞争2个方向，哪个更能促进我国农村地区的金融发展?这个路径的选择和什么因素显著有关?它们的作用影响如何?这些是农村金融发展中须要持续关注的现实问题。对于普惠金融发展路径的选择，国内外学者有不同的观点。一方面，部分学者认为政府推动是普惠金融发展的关键因素[1]。另一方面，一些学者认为政府过多参与会对金融市场发展产生不利影响，而市场竞争却能够提升农村金融机构的竞争水平[2]。对于普惠金融发展的区域性差异，不同学者有着不同的解释，蔡洋萍认为，在农村地区人均收入和人均GDP与普惠金融发展成正比[3]。张彩云认为，我国各地区普惠金融发展水平与城镇化程度相关，城镇化进程的加深对普惠金融的提升有着积极的作用[4]。以上研究都只是单独探讨各个影响因素与农村金融发展能力的关系，却忽略了影响因素之间的交互作用。另外，已有研究大多从国家层面对数据进行较简单的协整分析，难以否认的是我国目前的区域经济发展存在严重、长期的不均衡问题，我国农村金融发展与农民收入在区域之间存在不一致性，所以本研究基于省级面板数据，从地区层面考察我国农村金融发展方式与发展能力的关联性问题。

1文献综述

农业信贷补贴观点和不完全竞争市场观点都从理论角度为政府在金融市场中的关键作用提供了重要支撑。在农村地区，存在资金匮乏、生产高风险等特有的产业问题，同时发展中国家的金融市场并不是完全竞争的，所以需要政府的介入以降低信息不对称的负面影响[5]。因此，很多学者认为政府推动在农村金融发展方面有着积极的作用。Jacob等指出，政府在强化农村金融市场的功能方面有着重要的作用，应该加大对农村地区的政策性资金支出以平衡农村金融市场[6]。Swinnen等指出，在中欧、东欧经济转型国家中，政府须要通过举措优化农村金融体系，缓解农村金融市场借贷不足的难题[7]。中国在经济转型期金融市场的竞争化程度较低，存在逆向选择和道德风险等市场失灵的问题，尤其是农村地区金融发展机制还不完善。王曙光等认为，政府可以通过在农村地区推动制度改革来提升普惠金融的发展水平[8]。杨叶坤等认为，政府在主导农村信用体系建设、完善农业保险、担保体系和政策扶持等农村金融发展方面产生较大影响[9]。

罗纳德·I·麦可农等提出金融抑制和深化理论并认为在金融市场发展不健全的发展中国家，政府会过多地介入与抑制金融发展[10-11]。Dani在2008年指出，理论上发展中国家的政府有足够的余地去纠正市场失灵[12]，但是在什么情况下政府推动更可能改善经济发展仍然是一个未解决的实际问题。武丽娟等通过构建理论模型和博弈分析，发现现有政府推动方式在农村金融市场发展初期有效，而在市场变得完善和发达时，推动效果不佳[13]。曹雷认为，我国农村金融改革在前期主要以行政机构为导向，但是缺乏与金融市场的互联关系[14]。我国部分学者认为，缺乏竞争的农村金融市场明显存在资源配置低等问题。巴曙松等认为，当地政府对银行决策的干预行为降低了资源配置效率[15]。汪昌云等认为，我国农村金融市场化程度对农户获取正规途径贷款存在明显的抑制作用，尤其是在农业生产贷款方面[16]。

但我国还有学者对此存在一定争议，国内大多学者如冯兴元等较认同“完全的市场化存在一定的局限，适度的竞争与农村金融机构的多元化是实现农村金融发展的最优途径”的观点[17]。周立等认为，目前我国的农村金融无法完全通过金融市场优化配置[18]。谭燕芝等肯定了一定的市场竞争对金融机构的促进作用[19]。

解运亮等认为，我国农村金融区域差异主要是由于经济发展水平、城镇化水平以及市场竞争程度的不同造成的[20]。黎翠梅等通过构建我国农村金融效率评估指标体系进行研究，发现我国农村金融效率呈现出“东部高、中西部低”的特征，且中部地区最低[21]。刘玲玲等认为，我国市场化程度和农村城镇化进程在加剧农村金融发展地区差异中具有重要的影响作用[22-32]。东中西部、省级之间乃至同一省份内部各县域之间对于不同的金融政策，各地的反应程度和接受效果都有所差异。现有文献主要分别集中于政府和市场各自在农村金融改革发展中的作用，较少实证研究在经济发展的外部环境差异下，它们对农村金融发展的影响效果。因此，围绕不同经济发展水平下各区域政府推动和市场竞争2个方面对农村金融发展的影响进行实证分析，并测度其影响效果。

2变量设计与模型建立

2.1数据来源

自2007年新型金融机构开始试点以来，各地新型金融机构蓬勃发展。根据数据的可获得性，本研究选取新一轮金融改革后2008—2015年全国30个省(市、区)(西藏自治区、香港、澳门、台湾除外)的面板数据。数据来源于《中国金融年鉴》《中国统计年鉴》及WIND数据库。

2.2解释变量设计

2.2.1解释变量

(1)政府推动(EXP)。本研究选取农村直接推动指标地方农林水务财政支出增长率作为地方对于农村金融发展的推动力的衡量项。(2)市场竞争(COM)。本研究使用从业人数区位熵行业集中度指标近似代替市场竞争，市场竞争程度越高，从业人数区位熵越高。市场竞争指标从业人数区位熵=[SX(]Si/Qi[]∑[DD(X]t-1[DD)]Si/∑[DD(X]t-1[DD)]Qi[SX)]，其中Si表示各省(市、区)农村金融机构从业人员数;Qi表示各省(市、区)农村人口数。本研究使用城镇人口数占总人口数比重表示城镇化水平(URB)，使用剔除物价指数影响的農村居民可支配收入表示人均收入水平(INC)[JP+1]。根据国家统计局的数据以及我国城镇化率分布现状和人均收入分布现状取分位数划分超低、较低、较高、超高4个层次，引入虚拟变量城镇化率的分布现状水平Um(m=1、2、3、4)、人均收入分布现状水平In(n=1、2、3、4)，Um和In具体解释如下：

U1=[JB({]1，URB≤45%0，其他[JB)];

U2=[JB({]1，45%

U3=[JB({]1，55%

U4=[JB({]1，URB>65%0，其他[JB)]。

I1=[JB({]1，INC≤500，其他[JB)];

I2=[JB({]1，50

I3=[JB({]1，100

I4=[JB({]1，INC>1500，其他[JB)]。

2.2.2控制变量

第一，农业经济结构(STR)。本研究使用农村产业结构来反衬经济结构，选取第一产业所占比重来反映产业结构。第二，对外开放度(OPE)。反映其产能输出的动力和该地区融资渠道和融资方式的发展情况，选取进出口贸易总额占GDP的比重来反映。第三，经济规模。使用地区人均生产总值的对数(lnGDP)来反映地区经济基础。

2.3区域农村金融发展指标选取(被解释变量)

现有文献关于金融发展水平的评价指标主要围绕农村金融发展、生态环境度量。解运亮等从规模、结构、效率3个方面对农村金融发展的区域差异进行系统分析[20]。本研究基于现有数据的可获得性，通过农村金融组织机构发展和市场环境发展2个因子来构建区域农村金融发展指标(INV)，分别从规模和效率2个角度选取6个指标来分析农村金融发展水平(表1)。

本研究样本几乎包括全国所有省(市、区)，样本个体不随时间变化而变化，所以认为固定效应模型更合适。采用F检验混合模型与个体固定效应模型，拒绝原假设(混合模型)，选择个体固定效应模型，再建立个体随机效应模型进行Husman检验，横截面随机(cross-sectionrandom)的P值为0.0000，拒绝原假设(个体随机效应模型)，选择个体固定效应模型。为了有效控制模型中存在的异方差问题，本研究采取横截面加权(cross-sectionweights)方法。

3实证检验结果与分析

3.1区域农村金融发展结果分析

对表1中衡量区域农村金融发展的指标进行主成分分析得到综合得分(表2)。由表2可知，我国农村金融发展在区域表现上存在明显的差异性。浙江、江苏、山东等省农村金融发展综合得分基本名列前位，其中浙江省位居第一。江苏、山东、广东等省情况与浙江省类似，而四川省、河南省农村金融发展综合得分高于平均水平，作为农业大省，其农村金融发展主要以政府推动为导向。

3.2区域农村金融发展差异的影响因素分析

由表3可知，在我国当前的经济发展水平下，政府推动程度与农村金融发展在1%水平上显著正相关，表明地方政府在进行农村扶持时财政支出越高的地区，越能激励当地农村金融特色化发展。加入城镇化交互项后，检验结果显示，EXP的系数仍然在1%水平上显著为正，略有下降。随着城镇化率水平的提高，政府推动对农村金融发展的正向作用不断增强，当城镇化率超过65%后，这种作用力开始减弱，并呈现-0.136的反向抑制作用。考察不同城镇化率和人均收入水平下政府推动对农村金融发展的影响，发现EXP的回归系数仍然在1%水平上显著为正，略有上升。在U1、U2、U3、U4不同城镇化水平下，EXP的回归系数均在1%水平上显著，且随着城镇化率提高，对农村金融发展的作用明显增强，超过65%，反向抑制作用也更大，即农村居民人均可支配收入对这种作用具有扩大效应(表4)。综合考虑结果可知，发展水平随着城镇化和人均收入增高而增高，当处于超高状态时，作用力明显减弱并反向发展。政府推动在农村城镇化和经济发展初中期对金融发展有效，而在成熟期无效甚至出现抑制。在城镇化率和人均收入较低的地区，农村金融市场环境较薄弱，贫困型农户难以提供有效的抵押品和担保品，所以正规金融机构较少为农户提供有效的资金需求。依靠政府隐性担保下的机构信用扩张能够满足这种需求，明显促进农业资本积累和经济增长。在城镇化率和人均收入较高的地区，政府推动产生的道德风险凸显，金融机构不良贷款率的提高和农村资金用于非农产业的特征不断凸显，大量资金外流，金融市场发展动力不足，政府推动效果不佳。

引入金融市场竞争指标COM，考察其在不同城镇化和人均收入水平下对农村金融发展的影响。检验结果(表3)显示，COM在1%的水平上显著为负，即现有的金融市场竞争对农村发展有显著的负作用。在城镇化率低于65%时，COM回归系数均不显著，当城镇化率超过65%时，COM回归系数在1%水平上显著为正，影响力为7.090，说明仅在高城镇化率地区，农村市场竞争对金融发展具有显著的正向促进作用。而人均收入对这种影响力同样具有扩大效应，但仅在较低收入水平下显著。综合考虑可知，在城镇化和人均收入均处于超低状态时，市场竞争对农村金融发展的作用为-0.031，随着两者提高，处于较低状态时作用力为-0.014;处于较高状态时，作用力反向提高至0.006;当处于超高状态时，作用力明显提高并反向至7.090(表5)。

总体来说，市场竞争仅在农村城镇化和经济发展成熟期对金融发展显著有效，而在初期、中期无明显作用。在城镇化率和人均收入较低的地区，农村的资金借贷往往存在需求量小、风险高以及逆向选择和道德风险等问题，现有的新型农村金融机构进入能够对已有金融机构增加贷款起到激励作用。逐利性金融机构引导资金要素向城市转移，而农户存款不能有效转化为农户贷款，容易产生农村金融排斥。这种市场竞争也是低效率的，仅仅将资金向高收益项目转移，而没有在此基础上进行发展。在城镇化和经济发展成熟的地区，市场型农户虽然已有一部分的资金供给，但仍然具有较强的资金需求。这类贷款主要是为了扩大生产，通常具有额度大、时间长、风险低的特点，这也激励当地金融机构从卖方视角向买方视角转变，不再仅仅集中于中小企业融资。通过结合地方特色化产业，发展抵押贷款新模式，为农户拓宽融资渠道。

综合来看，在城镇化率和人均收入较低的地区，通过政府推动方式推动金融发展效果更显著，

而在城镇化和人均收入水平超高的地区(URB>65%，INC>150)，通过市场自发性的金融需求和供给竞争推动金融发展效果更明显。在现实中2种推动方式往往同时存在，不同环境中的不同推动方式效果显著不同。

由表3可知，政府推动的3种模型中lnGDP的回归系数在1%水平上均显著为负，说明代表地方经济发展平均水平的GDP对农村金融发展没有明显的促进作用，反而起到抑制作用。这是因为区域经济发展未必以“涓滴效应”惠及农村金融，反而加速形成了当前的二元结构。在政府推动方式下，经济发展水平越高的地区，政府推动过程中由于资源分配不均，城乡差距较大，农村金融发展相对落后，资金向城市大量聚集，农村金融发展能力越低。而在市场竞争模型中系数都不显著，说明在以市场竞争为主的地区，地区经济发展水平对农村金融发展的直接作用并不明显，由上述结论可以知道，市场竞争往往在城镇化和人均收入水平较高的地区有效，所以在市场竞争推动的方式下，地区经济发展水平系数不显著的可能原因是经济发展水平到达有效阈值后，其对农村金融发展的直接作用不显著;STR的回归系数在政府推动模型中于1%、10%水平上分别显著且为负，在市场竞争模型中于1%的水平上显著为负，说明无论是在政府推动的方式中还是在市场推动的方式中，农业结构占比对农村金融发展起到一定的抑制作用，原因在于大部分农村地区处于传统农业向现代农业转变的进程中，尚未形成农业产业化，未能与金融发展形成较好的融合;对外开放度OPE在政府推动和市场竞争模型中均未通过检验，可能是由于貿易结构的变化才是真正影响金融业的真实变量。

3.3显著性检验和稳健性检验

模型均通过了F值检验和Husman检验，各模型调整的R2均在80%以上，F值也都显著，说明选择的各变量较好地解释了金融发展能力。

在对政府推动与市场竞争对农村金融发展的稳健性检验中，从数据出发，将样本分别依据我国各省(市、区)的城镇化率和人均收入水平组合的高低进行分组，分组依据为图3、图4中的拐点，将分组数据分别根据模型(5)和模型(6)进行回归，回归结果显示，在模型(5)中当组合只有为U4I4时系数为负，而在模型(6)中当组合仅为U4I4时系数为正。稳健性结果通过显著性检验，所以稳健性检验结果支持上述分析结果。

4结论与建议

本研究基于2008—2015年我国30个省(市、区)(西藏自治区除外)的面板数据考察各省份地方政府推动和市场竞争分别在不同城镇化和人均收入水平下对农村金融发展的影响，在城镇化和人均收入水平处于超低、较低、较高水平的地区，政府推动效果更佳。尤其是在超低区域，市场失灵效应十分明显。然而，在城镇化率和人均收入水平都处于超高水平的地区，市场化竞争对农村金融发展的促进作用更显著。综上，本研究对处于不同经济环境因素下的农村金融发展模式提出以下建议。

第一，对于城镇化程度和人均收入水平较高的农村地区，农村金融发展模式更要注重从外生性向内生性转变，政府要充分利用市场诱致性变迁的力量，实现政策驱动内生化，有所为，有所不为。在监管政策上，完善地方政府行政权力监督体制，加强行政权力透明度建立健康的农村金融环境;在政策扶持上，首先要减少直接推动的优惠政策，激发小微企业的内生动力，并将金融支持重点投向市场型农户、乡镇城镇化等领域，提高自身的增长能力。

第二，对于城镇化率和人均收入水平较低的农村地区，政府推动大有可为，所以农村金融发展模式首先应该以政府推动为主。首先，由于在这些地区农户对于金融服务的可获得性较低，政府应注重完善支付体系和信用体系建设。其次，建立完善的农村金融保险制度降低农业风险。最后，再具体针对不同地区，结合当地实际情况及农业特色制定出适合当地的发展战略。

总之，不同地区的农村金融发展水平差异是经济发展差异的现实结果，我国金融发展必须正视此差异的存在性。我国大部分农村区域城镇化率不高，当前平均城镇化率仅为57.83%，远远低于发达国家80%的水平，所以在政策制定过程中，要结合我国农村地区现实情况实施适合当地金融发展的决策。由于数据的可获得性，在选取衡量区域农村金融发展、政府推动和市场竞争的指标时受到一定限制，须要完善衡量指标体系，这是下一步研究的方向。

参考文献：

[1]PriyadarsheeA，HossainF.Financialinclusionandsocialprotection：acaseforIndiapost[J].CompetitionandChange，2010，14(3/4)：324-342.

[2]张正平，杨丹丹.市场竞争、新型农村金融机构扩张与普惠金融发展——基于省级面板数据的检验与比较[J].中国农村经济，2017(1)：30-43，94.

[3]蔡洋萍.中国农村普惠金融发展的差异分析——以中部六省为例[J].财经理论与实践，2015，36(6)：31-37.

[4]张彩云.中国普惠金融发展程度及影响因素的实证研究[D].济南：山东财经大学，2016.

[5]StiglitzJE，WeissA.Creditrationinginmarketswithimperfectinformation[J].TheAmericanEconomicReview，1981，71(3)：393-410.

[6]JacobY，McDonaldB，StephanieC.Promotingefficientruralfinancalintermediation[J].TheWorldBankResearchObserver，1998，13(2)：147-170.

[7]SwinnenJM，GowHR.AgriculturalcreditproblemsandpoliciesduringthetransitiontoamarketeconomyincentralandeasternEurope[J].FoodPolicyVolume，1999，24(1)：21-47.

[8]王曙光，王东宾.双重二元金融结构、农户信贷需求与农村金融改革——基于11省14县市的田野调查[J].财贸经济，2011(5)：38-44.

[9]杨叶坤，金剑峰.政府在农村金融创新中的作用——以云浮市为例[J].南方金融，2013(8)：66-68.

[10]罗纳德·I·麦金农.经济发展中的货币与资本[M].卢骢，译.上海：三联书店上海分店，1997.

[11]爱德华·肖，邵伏军，许晓明，等.经济发展中的金融深化[M].上海：格致出版社，2015.

[12]DaniR.Normalizingindustrialpolicy[R].CommisiononGrowthandDevelopment，2008.

[13]武丽娟，徐璋勇，靳共元.政府干预与机构支农行为——理论分析与中国农村金融市场的经验证据[J].预测，2015，34(5)：34-40.

[14]曹雷.新时期我国农村金融改革效果评估：基于总体的视角[J].农业经济问题，2016，37(1)：61-67.

[15]巴曙松，刘孝红，牛播坤.金融转型期中国区域资本配置差异及其形成[J].改革与开放，2006(11)：4-6.

[16]汪昌云，钟腾，郑华懋.金融市场化提高了农户信贷获得嗎?——基于农户调查的实证研究[J].经济研究，2014(10)：33-45，178.

[17]冯兴元，何梦笔，何广文.试论中国农村金融的多元化——一种局部知识范式视角[J].中国农村观察，2004(5)：59.

[18]周立，周向阳.中国农村金融体系的形成与发展逻辑[J].经济学家，2009(8)：22-30.

[19]谭燕芝，杨芸.市场化竞争对金融支农水平影响的分析——基于省际面板数据的实证研究[J].经济经纬，2016，33(3)：25-30.

[20]解运亮，刘磊.中国农村金融发展的区域差异及其成因分析[J].经济问题探索，2013(6)：79-85.

[21]黎翠梅，曹建珍.中国农村金融效率区域差异的动态分析与综合评价[J].农业技术经济，2012(3)：4-12.

[22]刘玲玲.《中国农村金融发展研究》调研报告综述[J].甘肃金融，2009(11)：4-7.

[23]薛宝贵，何炼成.市场竞争、金融排斥与城乡收入差距[J].财贸研究，2016，27(1)：1-8.

[24]蒋岳祥，蒋瑞波.区域金融创新：效率评价、环境影响与差异分析[J].浙江大学学报(人文社会科学版)，2013，43(4)：52-65.

[25]褚保金，莫媛.基于县域农村视角的农村区域金融发展指标评价体系研究——以江苏省为例[J].农业经济问题，2011，32(5)：15-20.

[26]沈荣勤.普惠金融与金融服务均衡化——以浙江与江苏两省为例[J].金融论坛，2014，19(9)：16-25.

[27]汪磊，徐荣.基于区位熵方法的文化集群产业聚集度评价——以安徽省为例[J].鸡西大学学报(综合版)，2015，15(8)：51-53.

[28]王仁祥，姚耀军.金融创新动因新探[J].上海经济研究，1999(18)：49-53，48.

[29]李娜.我国区域金融发展指数的构建与比较研究[D].成都：西南财经大学，2013.

[30]张振宇，田明华，李建军，等.农地流转中农户行为决策及其福利效应[J].江苏农业学报，2020，36(4)：1060-1067.

[31]左月华，王丹.县域视角下的农村金融创新综合评价与分析——以湖北省为例[J].征信，2017，35(1)：52-58.

[32]杨芸.农村金融市场化竞争与农户信贷水平的关系研究[D].湘潭：湘潭大学，2016.

作者：左月华 张雨晗 王丹

金融政策与市场动态分析论文 篇3：

金融网络理论与应用综述

摘 要：本文详细综述了金融网络理论在系统风险方面的应用。重点指出现实中的金融网络具有小世界网络和无标度网络的特征。对现实金融网络节点中心性的静态分析有助于寻找系统重要性银行，而网络结构变动的动态分析则包含预测金融危机和银行间市场利率的信息。

关键词：金融网络;理论与应用;系统风险

一、引言

随着金融创新的加快和银行间市场的不断发展，类似于CDS的金融衍生产品以及各种银行理财产品被不断设计出来，促使金融机构之间的资产负债关联日益紧密，整个金融系统呈现出越来越复杂的网络特征。金融机构是网络的节点，金融机构之间的资产负债关系则构成网络的边。银行间市场可被看成是一种金融网络，这一网络虽有利于流动性的分配，但也使得单个银行的风险通过网络连接传染至其他银行，发生多米诺骨牌效应，引致整个金融系统的崩溃。阿西莫格鲁等(Acemoglu等，2013)将金融网络内的这种级联反应称之为金融网络的外部性。

网络外部性可以解释与社会经济直接相关的内生变量无法解释的整体波动问题，比如股票市场的崩盘、群体事件等。因为社会经济活动是嵌入在社会网络之中的，经济主体的支付函数受到该主体所在的社会群体中其他成员的选择行为的影响(加布里埃利，2011)。由此，如果将金融体系看成金融网络，那么在看待金融风险问题时，除需关注“大而不能倒(Too-Big-to-Fail)”风险之外，还需注意“太关联而不能倒(Too-Connect-to-Fail)”风险(刘，2010)。在金融网络中，单个银行除受直接交易对手的风险行为影响之外，还会受到交易对手其他网络连接的间接影响。2008年的金融危机即是由次级贷款违约引发的风险传染事件，在这一过程中金融机构之间的关联性对系统风险的积累和扩散起到了重要的助推作用(贾彦东，2010)。危机过后“宏观审慎管理”成为主要国家的重要监管方向(周小川，2011)。“宏观审慎管理”思想的提出是以网络视角看待金融风险问题的体现。

金融网络理论通过网络节点和网络的边，可以直观地刻画出金融系统，有助于研究系统风险传染问题。目前利用金融网络建模研究金融系统性风险主要有三个方向：一是现实金融系统的复杂网络特征;二是何种网络结构最有利于金融系统稳定;三是基于实际数据构建网络对金融系统风险进行评估，并试图将多种传染渠道引入金融网络分析中。本文将从这三方面对相关研究进行综述。

二、真实金融网络结构及在其系统风险方面的应用

(一)现实金融系统的复杂网络特征

如其他领域的复杂网络一样，现实中的金融网络也具有小世界网络和无标度网络特征。

加布里埃利(2011)对欧洲银行隔夜拆借市场网络的研究发现，该网络非常稀疏，具有小世界网络特征且节点度的分布服从幂律分布，即大多数银行只与较少的银行交易，只有少数银行拥有较大的网络连接并且一般是大型银行。美国联邦基金市场网络与欧洲银行隔夜拆借市场网络结构类似，也具有小世界网络特征，但是网络节点度的分布并非是幂律分布，而是一种厚尾分布(贝克和阿塔莱，2010)。

除隔夜拆借市场外，澳大利亚月度银行间风险敞口网络的节点度分布服从指数为-1.87的幂律分布，整个网络的平均路径和聚集系数均比较小(博斯，2004)。美国支付结算系统网络也具有无标度网络特征。该网络较为稀疏，只有一些货币中心银行之间的连接较为紧密，其他银行与这些中心银行相连接，彼此之间的关联较少(索拉迈基等，2007)。此外，意大利银行同业存款市场网络(拉扎蒂和曼纳，2009)、欧洲CDS市场网络(佩尔托宁等，2014)、德国银行间市场网络(克雷格和冯·彼得，2014)、巴西银行与非银行金融机构网络(孔特等，2013)等均具有高度中心化且相对稀疏的网络特征，网络节点的度数具有异质性，大银行拥有较大的度数，处于网络的中心位置，节点的度较小的银行倾向于与节点的度较大的银行相连。

(二)金融网络结构特征的刻画在系统风险方面的应用

对真实金融网络结构的刻画有助于寻找系统重要性银行。例如，在复杂网络理论中，可以通过节点度中心性(Degree centrality)、介数中心性(Between centrality)、紧密中心性(Closeness centrality)和特征向量中心性(Eigenvector centrality)等网络拓扑结构来刻画一个节点在网络中的重要性(赫南等，2008)。以度数的中心性为例，在一个由N个节点构成的复杂网络中，一个节点的度为该节点与其他节点直接连接的边的数量，记为ki。度的中心性则是该节点的度占该节点所有可能连接边的总数的比例，即Ki/(N-1)(加布里埃利，2011)。可见，一个节点的度越大，该节点能够影响到的节点数量越多，因而该节点在整个网络中也就越重要。

可以通过计算金融网络中的各银行的网络中心性来确定系统重要性银行。通过该方法确定的系统重要性银行并非是资产规模最大的银行，而是在网络中处于关键位置的银行。加布里埃利(2011)对比了欧洲银行隔夜拆借市场中银行的网络中心性在金融危机前后的变化，发现2007年8月以后，中小银行的中心性提高，而大银行有所下降。这说明金融危机以后中小银行的系统重要性上升。

网络中心性不仅可以决定系统重要性银行，还对银行间市场利率具有预测作用。贝克和阿塔莱(2010)构建出了一个网络中心性指数，发现当借款银行的网络中心性指数高于出借银行的网络中心性指数时，借款银行可以获得一个较低的借款利率。相反，如果出借银行具有更高的网络中心性指数，则借款银行将获得一个较高的借款利率。塔巴克等(Tabak等，2014)利用2004年1月到2007年11月的巴西银行间市场相关数据发现银行间市场网络的聚集系数和银行间市场利率的变动负相关。

此外，对网络结构变动的动态分析还包含可以预测金融危机的信息。加布里埃利(2011)发现2007年8月金融危机发生以后欧洲货币市场网络呈现出明显的节点之间平均距离的缩短。塔巴克等(2014)指出无向网络的聚集系数和有向网络的入度的聚集系数越高，系统风险越大。米诺尤和雷耶斯(Minoiu和Reyes，2013)将1978年至2010年发生的几次银行危机作为时间点，利用184个国家的跨国银行数据构建网络，发现每次危机发生之前的银行网络连通性(Connectivity)都要高于危机发生之后的网络连通性。

综上，可以根据一年或多年的金融机构之间真实的资产负债关联数据，如银行间借贷数据、同业存款数据等构建金融网络，从静态和动态两个角度进行分析。首先可以从静态的角度，单独分析某个金融网络内的节点中心性以寻找系统重要性银行。其次从动态的角度，基于多年数据分别构建金融网络，考察网络结构的变动情况，从而为监管当局控制系统性风险提供参考。

三、网络结构与风险传染的关系

当把整个银行体系看成金融网络时，从组织脆弱性的角度可以看出不同网络结构对银行之间的风险传染的重要影响。最初关于网络结构与风险传染问题的讨论局限于一些简单的规则网络，如完全连接网络、环形网络，例如艾伦和盖尔(Allen和Gale，2000)。随着关于真实金融网络结构实证研究的增加，一些文献开始利用仿真技术研究随机网络、小世界网络和无标度网络与金融系统稳定性的关系，例如李守伟和何建敏(2012)、伦茨(Lenzu，2012)等。艾伦和盖尔(2000)最早研究了由4家银行构成的完全连接网络和环形网络的风险传染状况，发现完全连接网络内的风险传染程度要小于环形网络。这是因为在一个连接相对紧密的金融网络内，破产银行的损失可以被多家债权银行分担，从而降低负向冲击对每家银行的影响程度。

李守伟和何建敏(2012)的研究则认为小世界网络内的风险传染程度高于随机网络和无标度网络。完全连接网络内每个节点银行都与其他银行相连接，因而是连接最为紧密的网络。环形网络则是一个节点银行只与和自己相邻的两家银行连接，因而该网络十分稀疏。随机网络、小世界网络和无标度网络内并非每家银行都相互连接，但节点的连通性要高于环形网络，因而这三种网络的紧密程度介于完全连接网络和环形网络之中。那么究竟何种网络结构最有利于风险传染?是否紧密的网络要比非紧密网络更有利于风险传染?大量研究网络结构与风险传染的文献对此并未得出一致结论。

第一种观点认为网络边分布相对均匀的网络风险传染程度较小。该观点认为在一个相对紧密的网络内，由于一家银行与较多的银行相连接，当该银行破产时，其损失平摊到每个债权银行就相对较小，从而降低了破产银行对整个网络的冲击。艾伦和盖尔(2000)是该观点的提出者，随后弗雷克斯等(Freixas等，2000)发现相对完全连接网络，包含货币中心的层级网络更容易发生风险传染。米勒(Müller，2006)也证实均匀紧密网络比中心化稀疏网络更稳定。持有相同观点的还有克劳斯和詹桑特(Krause 和Giansante，2012)。

第二种观点则认为紧密连接的网络比较容易发生风险传染。德格里斯和阮(Degryse和Nguyen，2007)通过研究比利时银行系统网络1993年至2002年间网络结构的变动发现，网络结构从早期的近似完全连接结构到以多家银行为货币中心结构的转变降低了传染风险发生的可能性和影响程度。利尔蒙特(Viver-Lirimont，2006)基于戴蒙德和迪布维格(Diamond和Dybvig)的模型，从理论上证明网络连通性越高，被传染的银行数量就越多，并且传染发生的速度越快。因而“不要把鸡蛋放进同一个篮子里”思想的分散化投资行为表面上看可以降低单个银行的风险，但是实际上这种分散化投资行为会增加银行之间的关联度，从而增加了传染风险。因而，从金融网络视角来看，分散化投资并非一定会降低银行的风险。布鲁斯科和卡斯蒂廖内西(Brusco和 Castiglionesi，2007)的研究支持了利尔蒙特(2006)的观点，他们也认为银行之间互相持有资金会增加传染风险。

针对上述两种不同观点，还有一种观点认为网络结构与传染效应之间并非单调线性关系。例如，巴迪斯顿等(Battiston等，2012)认为第一种观点所谓的网络连接越紧密越不容易发生风险传染并不总成立。最优的银行间市场网络结构会随着冲击大小的变化而变化，具有中等水平连通性的网络最容易发生大规模的风险传染(拉德利，2013)。当负向冲击小于特定阈值时，均匀紧密的银行借贷网络更稳定。然而，当负向冲击大于特定阈值时，弱连接网络却比连接紧密的网络稳定(阿西莫格鲁等，2013)。鲍勤和孙艳霞(2014)基于中国银行业的资产负债表数据的仿真模拟也表明被传染银行数量与网络平均度①之间并非存在单调正相关的关系。

上述三种观点看似莫衷一是，甚至相互矛盾，实则并不冲突。造成网络结构与风险传染关系不统一的原因在于已有文献对网络结构的设定不统一。例如，第一种观点的研究通常是预先假设一种网络结构，然后人为分配各银行的银行间资产和负债，并且是平均分配给N家对手银行。如此设定的银行网络固然会起到平摊风险的作用，若是银行间资产和负债并非平均分配，则会得到不同的结论，如鲍勤和孙艳霞(2014)的研究。这说明网络结构对风险传染程度的影响，不仅要看网络连通性，还与网络边的粗细有关，即每条边所代表的银行间资产和负债在整个银行网络中的权重。此外，网络节点的大小也会对风险传染结果有影响，例如大银行破产与小银行破产引发的风险传染程度就会不同(克劳斯和詹桑特，2012)。因而对金融网络结构与风险传染关系的探讨，不能简单地预先假定一种网络结构，然后人为分配资金，而应结合经济现实，给予银行之间合理的相互交易的行为规则，通过银行间交易行为来分配资金，从而内生出网络结构。阿曼斯和格奥尔(Aymanns和Georg，2015)就试图从金融机构的行为入手内生金融网络。王等(Wang等，2012)则是基于内生金融网络思想将网络资本引入机构投资者行为分析中。

四、基于金融网络理论的系统风险实证研究

金融网络研究的一个重要方向即是利用真实数据对系统风险进行评估。若是可以获得银行之间一对一的资产负债数据，即可据此直接构建网络，考察一家或多家银行破产引发的风险传染问题，如米勒(2006)、德格里斯和阮(2007)、黄聪和贾彦东(2010)、索科洛夫(Sokolov，2012)等。然而，现实中银行之间一对一的资产负债数据较难获得，不过可以利用最大熵方法(厄珀，2011)估算银行间资产负债头寸。

(一)最大熵方法的应用与缺陷

最大熵方法是将金融网络表示成一个矩阵，然后估算矩阵中的非零元素。例如，一个由N家银行构成的金融网络，银行i流向银行j的资金可以用[xij]表示，银行j流向银行i的资金则用[xji]表示，则这N家银行构成的金融网络就可以表示成一个N*N矩阵：

[X=x11…x1j…x1N?????xi1…xij…xiN?????xN1…xNj…xNN]

矩阵X的行和为银行i的银行间总资产，即[Ai=j=1nxij]，列和为银行i的银行间总负债，即[Lj=i=1nxij]。由于银行与自身无法交易，因而矩阵X中的对角元素全为零，即：

[X*=0…x1j…x1N?????xi1…0…xiN?????xN1…xNj…0]

在已知单个银行的银行间总资产和银行间总负债信息的前提下，可以利用最大熵方法求出矩阵X*中的非零元素，即为求解下式：

[mini=1nj=1nx*ijlnx*ijxij]

s.t. [j=1nxij=Ai，i=1nxij=Lj，xij≥0]

其中，[x*ij]为矩阵X*中的元素，[xij]则为矩阵X中的元素。由于目标函数是凹的，该问题有唯一解且可以用RAS算法进行优化求解(厄珀，2011)。

厄珀和沃尔姆(Upper和Worm，2004)根据德国各银行资产负债表中的银行间总资产和银行间总负债的数据，利用最大熵方法估算银行之间一对一的资产负债头寸，然后构建银行网络研究风险传染问题。他们发现，德国银行体系发生风险传染的概率尽管很小，但是一旦发生，仅通过银行间资产负债敞口就可以引发大规模的风险传染。该方法由于解决了数据可得性问题而得到广泛应用，例如米斯特鲁利(Mistrulli，2011)对意大利银行体系的研究、德格里斯和阮(2007)对比利时银行体系的研究、马君潞等(2007)对中国银行体系的研究等。

通过对最大熵方法的描述可以看出，最大熵方法实际上是假设金融网络为完全连接网络，即每家银行都与其他银行交易，这显然与真实银行网络结构不符。米斯特鲁利(2011)通过对比真实数据构建的网络和基于最大熵方法估算数据构建的网络，发现最大熵方法建立的网络会高估风险传染的程度。因而，基于最大熵方法构建的金融网络模型无法对系统风险进行准确评估，只能是一种参考。在具体应用时可以对该方法进行改进，例如，预先假设一种更贴近现实的网络结构，然后在最大熵方法的求解过程中添加约束条件(鲍勤和孙艳霞，2014)。

(二)传染过程的设定

利用金融网络建模评估系统风险的文献在传染过程的设定上，主要考虑银行间风险敞口引发的风险传染。这些文献通常假定一家银行或多家银行同时破产，这将导致这些银行的债权银行的银行间资产发生损失，若这一损失超过债权银行的资本金，则债权银行破产，从而发生多米诺骨牌效应(厄珀，2011)。在现实中，风险传染过程十分复杂，不仅银行之间债务的违约会令银行破产，危机时期债权银行提前收回对债务银行贷款的行为也会导致债务银行陷入流动性危机，部分银行甚至不得不折价抛售资产。此外，银行系统面临的共同冲击也会通过消耗单个银行的资本金而降低整个银行系统的稳定性，比如宏观经济的波动、房价下跌导致房地产贷款违约的增加等。因而有少量研究试图将流动性冲击、共同冲击与银行间风险敞口相结合，利用金融网络模型全面评估系统风险。

1. 银行间风险敞口。银行间风险敞口是指银行在同业业务中产生的面临一定风险的同业资产。伴随着同业业务的不断发展，银行间风险敞口不断增加，银行之间的资产负债关联也愈发紧密，银行间风险敞口逐渐成为系统性风险的重要传染渠道。克劳斯等(2012)构建一个包含银行借贷网络的数理模型，从理论上论证了银行间风险敞口对系统性风险传染的重要影响。梅默尔等(Memmel等，2013)对德国银行体系、马丁内斯-哈拉米约等(Martínez-Jaramillo等，2014)对墨西哥银行系统等基于金融网络模型的实证研究也说明一家银行的破产仅通过银行间风险敞口这一单一传染渠道即可引致数家银行破产。

银行间风险敞口传染的过程可以由图1表示。在被传染之前银行i的资产负债表如图1所示，当银行i的债务银行k破产时，银行i的银行间资产[xik]发生损失，假设损失为[LGDkxik]([LGDk]为银行k的违约损失率)。此时银行i需要用资本金来弥补该损失，若是银行i的资本金不足以抵补这一损失，即[LGDkxik>Ei]，则银行i破产(刘，2010)。于是，债务银行k的破产风险就通过其与银行i的银行间风险敞口[xik]传染至债权银行i。银行i的破产又会按照同样的方式传染至其他银行。

[银行间资产][其他资产][资本金][其他负债][银行间负债][银行间资产损失][银行间资产][其他资产][[LGDkxik]资本金减少][资本金[Ei]][其他负债][银行间负债][?][?][?]

图1：银行间风险敞口引发风险传染原理

2. 流动性冲击。埃斯皮诺萨-维佳和索伦(Espinosa-Vega和Solé，2011)在银行间风险敞口引发传染的基础上引入流动性冲击，其过程如图2所示。当危机发生时，假设银行i的债权银行h决定提前收回银行间资产[xhi]，若银行i没有足够的流动性储备，则银行i将不得不低价抛售其他资产。假设银行i的银行间负债中的[αxhi]部分需要通过抛售资产来偿还，由于抛售资产的价格下跌，银行i需要抛售多于[αxhi]单位的资产，即共需要抛售[1+ρ)αxhi]单位资产，其中[ραxhi]部分即是因资产价格变动而发生的资产损失，银行i需要资本金弥补这一损失，如图2右所示。结合图1中银行间资产违约的过程，如果[k∈sLGDkxik+h∈Rραxhi>Ei]，则银行i破产。

[银行间资产][资本金][其他负债][其他资产][银行间负债][银行间资产][资本金][其他负债][其他资产][银行间负债][?][?][?][?]

图2：流动性冲击下的银行资产负债表变动

3. 共同冲击。尽管银行间风险敞口是系统风险传染的重要渠道，但是诸如汇率、利率等宏观经济变量波动构成的共同冲击对银行系统造成的损失要远大于金融网络内的传染损失(埃尔辛格等，2006)。格奥尔(2013)基于金融网络模型发现银行系统风险传染程度会随着共同冲击大小的增加而增加。国内学者郭晨和宋清华(2012)将国内生产总值、股票价格指数、房地产价格指数和一年期存贷款利差4个宏观经济变量作为银行系统的共同冲击，考察这些变量的波动对我国银行系统稳定性的影响。

这些文献说明共同冲击虽然不是风险传染的渠道，但却可以增加风险传染发生的可能性，并会通过消耗每家银行的资本金而降低整个银行系统的稳定性(班特和哈特曼，2000)。例如房价下跌造成房地产贷款违约的这一共同冲击会使得所有涉及房地产贷款的银行资产发生损失，从而损耗这些银行的资本金。

(三)违约损失率的影响

金融网络建模研究风险传染的一个重要假定即是破产银行对债权银行的银行间负债发生违约，致使债权银行的银行间资产发生损失。这一损失的大小与破产银行的违约损失率有关，违约损失率越大，债权银行的银行间资产损失就越大，风险传染程度就越严重。例如，马君潞等(2007)研究发现随着违约损失率的增加，被传染银行数量在不断上升。金融网络方向的文献大部分都外生假定违约损失率，每家银行被假定为具有相同的违约损失率，然后分别评估不同违约损失率下的风险传染情况。这种研究方法显然与现实相差甚远，因而少量文献试图尝试不同的方法来设定违约损失率。

梅默尔等(Memmel等，2012)假设金融网络内每家银行的违约损失率服从随机分布，然后基于此研究金融网络内的风险传染问题。该方法虽然考虑了差异化的违约损失率，但违约损失率仍是外生而非内生于经济。德格里斯等(Degryse等，2007)根据每家银行的资产负债情况构建了一个内生的违约损失率公式：

[θi=jθjxij+剩余资产?LGDs总资产-所有者权益]

其中，[θj]为银行j的违约损失率，[xij]为银行i的银行间资产，[LGDs]为银行i除银行间资产之外的剩余资产的违约损失率。通过这一公式可以看出，该方法计算出来的违约损失率虽然结合了每个银行的资产负债情况，但也有诸多不妥之处，例如剩余资产的违约损失率仍需估算，初始破产银行的违约损失率仍然是外生的。

综上，基于金融网络模型对系统风险进行评估的实证研究面临诸多问题。首先是数据的可得性较差，基于最大熵方法估算的银行网络只是一种参考。其次，传染过程的设定仍然与现实相差较大。虽然部分文献考虑了流动性冲击和共同冲击，但是流动性冲击下的资产折价率、共同冲击对银行资本金的消耗程度以及违约损失率的设定等细节问题仍有待改进，不能简单地将这些参数假定为外生。

五、金融网络理论的总结与展望

2008年以雷曼兄弟破产为标志的金融危机说明现代金融系统不再是一个孤立的金融机构，而是相互连接的金融网络。单个金融机构的行为会对网络内其他金融机构产生重要影响，网络连接会助推系统风险的扩散。因而将金融机构视为网络的节点，将金融机构之间的资产负债关联视为网络的边来刻画金融系统，为我们研究金融问题尤其是系统风险问题提供了全新的视角。

首先，通过对真实金融网络结构的静态分析有助于寻找系统重要性银行，这一重要性银行并非一定是大银行。对网络结构变动的动态分析则蕴含着与预测金融危机有关的信息，从而为监管提供新的思路。其次，通过对网络结构与风险传染之间关系的探讨，有助于监管当局正确引导金融机构之间的交易行为。最后，利用金融网络来评估系统风险，可以作为CoVaR方法(肖璞等，2013)、压力测试法(曹麟和彭建刚，2014)等传统方法的补充。

尽管金融网络理论在探讨系统性风险方面有诸多好处，也有利于监管当局从宏观审慎管理的角度来看待系统性风险，但是该类研究也面临诸多困难。由于数据可得性较差，对真实网络结构的刻画并不全面，对系统风险的评估也只能是一种参考。未来利用金融网络评估系统风险时需要深入挖掘传染过程设定的诸多细节问题，如违约损失率的设定、流动性冲击和共同冲击中的参数设定等。此外，还可以将金融机构行为纳入金融网络分析中，一方面探讨金融机构行为对金融网络结构变动的影响;另一方面也可以探讨嵌入在金融网络中的金融机构的行为特征。

注：

①网络平均度指网络各节点度数的平均值。相对平均度低的网络，平均度大的网络更紧密。

参考文献：

[1]Acemoglu D，Ozdaglar A，Tahbaz-Salehi A.2013. Systemic Risk and Stability in Financial Networks[R].National Bureau of Economic Research.

[2]Gabrieli S. 2011. The microstructure of the money market before and after the financial crisis：a network perspective[A].CEIS Tor Vergata Research Paper Series，9(1).

[3]Chan-Lau J A. 2010. Balance Sheet Network Analysis of Too-Connected-To-Fail Risk in Global and Domestic Banking Systems[J]. IMF Working Papers.

[4]Bech M L，Atalay E.2010. The topology of the federal funds market[J]. Physica A：Statistical Mechanics and its Applications，389(22).

[5]Boss M，Elsinger H，Summer M，et al.2004. Network topology of the interbank market[J]. Quantitative Finance，4(6).

[6]Soram?ki K，Bech M L，Arnold J，et al. 2007. The topology of interbank payment flows[J]. Physica A： Statistical Mechanics and its Applications，379(1).

[7]Iazzetta，Carmela，and Michele Manna.2009. The topology of the interbank market：developments in Italy since 1990.Bank of Italy Temi di Discussione (Working Paper) No 711 .

[8]Peltonen T A，Scheicher M，Vuillemey G.2014. The network structure of the CDS market and its determinants[J].Journal of Financial Stability，13.

[9]Craig B，Von Peter G.2014. Interbank tiering and money center banks[J].Journal of Financial Intermediation，23(3).

[10]Cont R，Moussa A，Santos E B.2013. Network structure and systemic risk in banking systems[J]. Handbook of Systemic Risk

[11]Minoiu C，Reyes J A.2013.A network analysis of global banking：1978-2010[J].Journal of Financial Stability， 9(2).

[12]Allen F，Gale D. 2000. Financial contagion[J]. Journal of political economy，108(1).

[13]Lenzu S，Tedeschi G. 2012.Systemic risk on different interbank network topologies[J]. Physica A： Statistical Mechanics and its Applications，391(18).

[14]Freixas X， Parigi B M，Rochet J C.2000. Systemic risk，interbank relations，and liquidity provision by the central bank[J].Journal of money，credit and banking.

[15]Müller J.2006. Interbank Credit Lines as a Channel of Contagion[J].Journal of Financial Services Research， 29.

[16]Degryse H，Nguyen G.2007. Interbank exposures：An empirical examination of contagion risk in the Belgian banking system[J].International Journal of Central Banking，3(2).

[17]Vivier-Lirimont，Sébastian. Contagion in interbank debt networks[R].Working Paper. February 2006， Reims Management School and CES，Paris I Pantheon Sorbonne University.

[18]Brusco S，Castiglionesi F.2007. Liquidity Coinsurance，Moral Hazard，and Financial Contagion[J].The Journal of Finance，(5).

[19]Battiston S，Gatti D D，Gallegati M，etal.2012. Default cascades： When does risk diversification increase stability?[J]. Journal of Financial Stability，(8).

[20]Ladley D.2013. Contagion and risk-sharing on the inter-bank market[J].Journal of Economic Dynamics and Control，37(7).

[21]Aymanns C，Georg C P. 2015. Contagious synchronization and endogenous network formation in financial networks[J]. Journal of Banking & Finance，50.

[22]Wang L，Wang S. 2012. Endogenous networks in investment syndication[J].Journal of Corporate Finance，18(3).

[23]Sokolov A，Webster R，Melatos A，et al. 2012.Loan and nonloan flows in the Australian interbank network[J]. Physica A： Statistical Mechanics and its Applications，391(9).

[24]Upper C. 2011. Simulation methods to assess the danger of contagion in interbank markets[J].Journal of Financial Stability，7(3).

[25]Upper C，Worms A.2004. Estimating bilateral exposures in the German interbank market： Is there a danger of contagion?[J]. European Economic Review，48(4).

[26]Krause A，Giansante S. 2012. Interbank Lending and the Spread of Bank Failures：A Network Model of Systemic Risk[J].Journal of Economic Behavior & Organization，83(3).

[27]Memmel C，Sachs A. 2013. Contagion in the Interbank Market and its Determinants[J]. Journal of Financial Stability， 9(1).

[28]Espinosa-Vega M A，Solé J.2011. Cross-border financial surveillance：a network perspective[J].Journal of Financial Economic Policy，3(3).

[29]Elsinger H，Lehar A，Summer M.2006. Risk assessment for banking systems[J].Management science，52(9).

[30]Georg C P. 2013.The Effect of the Interbank Network Structure on Contagion and Common Shocks[J]. Journal of Banking & Finance，37(7).

[31]Bandt O，Hartman P. 2000. Systemic risk A survey[R].European Central Bank. Working Paper，No. 35.

[32]Memmel C，Sachs A，Stein I.2012. Contagion in the Interbank Market with Stochastic Loss Given Default [J]. International Journal of Central Banking，8(3).

[33]贾彦东. 金融机构的系统重要性分析——金融网络中的系统风险衡量与成本分担[J].金融研究，2011 (10).

[34]周小川.金融政策对金融危机的响应——宏观审慎政策框架的形成背景，内在逻辑和主要内容[J].金融研究，2011，(1).

[35]赫南，李德毅，淦文燕等.复杂网络中重要性节点发掘综述[J].计算机科学，2008，34(12).

[36]李守伟，何建敏.不同网络结构下银行间传染风险研究[J].管理工程学报，2012，26(4).

[37]鲍勤，孙艳霞.网络视角下的金融结构与金融风险传染[J].系统工程理论与实践，2014，34(9).

[38]黄聪，贾彦东.金融网络视角下的宏观审慎管理——基于银行间支付结算数据的实证分析[J].金融研究，2010(4).

[39]马君潞，范小云，曹元涛.中国银行间市场双边传染的风险估测及其系统性特征分析[J].经济研究，2007，(1).

[40]郭晨，宋清华.宏观经济变量冲击与我国银行间市场风险传染[J].湖北经济学院学报，2010，8(3).

[41]肖璞，刘轶，杨苏梅.相互关联性， 风险溢出与系统重要性银行识别[J].金融研究，2013，(12).

[42]曹麟，彭建刚.基于宏观压力测试方法的逆周期资本监管框架研究[J].国际金融研究，2014，(7).

作者：孙艳霞